Simplifying Multi-Task Architectures Through Task-Specific Normalization
通过任务特定归一化简化多任务架构
机构 * Imperial College London（伦敦帝国学院）
AI总结 通过任务特定归一化简化多任务学习架构，实现高效且可解释的性能提升。
高校专区
Imperial College London（帝国理工学院）
Learned Digital Codes for Over-the-Air Computation in Federated Edge Learning
为联邦边缘学习中的空天地计算学习数字代码
机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦分校电子与电气工程系）
AI总结 本文提出了一种学习数字OTA框架，通过端到端训练提升FEEL中低信噪比下的通信鲁棒性和性能
Mixture of Experts in Large Language Models
大语言模型中的专家混合架构
机构 * Department of Research（研究部） ； ByteDance Inc（字节跳动公司） ； Department of CS（计算机科学系） ； Imperial College London（伦敦帝国理工学院） ； Purdue University（普渡大学） ； Emory University（埃默里大学） ； Department of Computer Science（计算机科学系） ； Heriot-Watt University（赫罗特-瓦特大学） ； AI Agent Lab（AI代理实验室） ； Vokram Group（Vokram集团） ； Department of Anatomical Pathology（解剖病理学系） ； Singapore General Hospital（新加坡中央医院）
AI总结 本文研究了大语言模型中专家混合架构的性能提升与应用挑战，分析了其核心机制与优化方法，探讨了MoE在任务特定性能和模型扩展方面的优势。
Diffusion Self-Weighted Guidance for Offline Reinforcement Learning
扩散自加权引导用于离线强化学习
机构 * Initiative for Data & AI, Universidad de Chile（数据与人工智能倡议，智利大学） ； AMTC & Dept. of Electrical Eng., Universidad de Chile（AMTC与电气工程系，智利大学） ； Department of Mathematics, Imperial College London（数学系，伦敦帝国学院）
AI总结 本文提出自加权引导方法，通过扩散模型直接生成所需分数，无需额外网络，实现高效的离线强化学习
Comments Published in Transactions on Machine Learning Research (TMLR). 21 pages, 6 figures
Journal ref Trans. Mach. Learn. Res. (2025)
Boosted Control Functions: Distribution generalization and invariance in confounded models
增强控制函数：在混杂模型中的分布泛化和不变性
机构 * University of Copenhagen（哥本哈根大学） ； Imperial College London（伦敦帝国学院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 本文提出增强控制函数（BCF）以实现分布变化下的预测鲁棒性，通过强不变性概念和ControlTwicing算法提升模型泛化能力。
